这次我们来看一个面试高频题RAG 策略。先给结论RAG 真正拉开差距的地方不在生成端而在检索端。很多人面试时只记得“文档切块 - 向量化 - 语义检索 - 拼 Prompt 给大模型”这套话术太薄面试官稍微追问一句“召回率低怎么办”“关键词检索和向量检索怎么结合”就容易卡壳。这篇文章把 RAG 检索拆成三层词法检索、向量检索、重排融合每层都会讲清楚原理、常见实现、面试可以怎么展开再给出一套本地可落地搭建的 RAG 知识库问答系统的完整思路涉及环境准备、部署流程、接口设计、批量任务和问题排查。文章适合正在准备大模型岗位面试的开发同学也适合要做本地知识库问答但又不想直接用别人封装好的平台的工程师。读完你会知道RAG 检索策略为什么是三条腿走路而不是一个向量库包打天下。1. RAG 检索策略核心能力速览维度说明第一层检索词法检索典型实现为 BM25、Elasticsearch、Lucene第二层检索向量检索典型实现为 Embedding FAISS / Milvus / Qdrant第三层检索混合融合与重排典型实现为 RRF 融合、Rerank 模型、上下文压缩项目形态知识库问答、企业文档检索、私有化 RAG 服务本地部署组合llama.cpp Qwen2-7B FastAPI 是常见低成本路线是否支持接口 API可以用 FastAPI / Flask 封装 /ingest 与 /query 接口是否支持批量任务可以批量导文档、批量建索引、批量离线问答显存与硬件门槛取决于选择的模型和量化方式7B 模型 4bit 量化通常有机会在消费级显卡运行具体以实测为准适合场景面试讲原理、本地知识库问答、私域文档检索、RAG 技术方案选型不适合场景实时性要求极高的在线搜索、对多模态强依赖的检索任务、无授权语料的商业化服务RAG 不是某一个算法而是一套检索流水线。面试官问“RAG 策略”时真正想听的是你知道哪些召回信号它们各自的边界在哪里你如何把它们组合成一套稳定的检索系统。2. 面试官想听什么RAG 策略的考察点与适用边界RAG 全称 Retrieval-Augmented Generation检索增强生成。核心思路是让大模型在生成回答前先从外部知识库检索相关片段再把片段拼进上下文从而减少幻觉、补充领域知识、支持私有化部署。面试官考察 RAG 策略通常不是要你背概念而是想看三个方面。第一点是“你会不会做质量诊断”。线上 RAG 问答效果差可能因为文档没切好、检索召回不够、排序不对、提示词没约束、模型上下文被无关片段污染。面试官常见追问如果用户问的问题在知识库里根本没有该怎么办如果检索到的片段互相矛盾怎么办第二点是“你能不能识别检索召回毛病的根源”。向量检索擅长语义相似但遇到专有编号、代码变量名、精确匹配的场景会输给 BM25。反过来BM25 无法跨语言匹配“汽车”和“vehicle”这种语义等价表达。只选一种一定会出现召回盲区。第三点是“你有没有工程落地经验”。面试官会问向量库怎么选、切块多大合适、接口接收什么参数、批量文档入库怎么处理、显存不够怎么降级。这些只有真正做过 RAG 实战才答得出来。适用边界也值得说。RAG 适合半结构化文档、FAQ、产品手册、内部制度、法律法规条文这类文本型知识不适合对实时性要求极高且每次搜索都必须重新抓取全量的场景也不适合大量图表、公式、手写扫描件等非文本内容——除非叠加 OCR 和版面解析模块。另外RAG 服务在公网开放接口时必须先解决鉴权、隐私、数据去重和合规问题。涉及版权文档、个人数据、敏感业务数据的知识库必须有合法授权这一点不仅是面试要提落地时更要落地到流程里。3. 第一层检索词法检索与 BM25 为什么丢不掉很多做 RAG 的新手会忽略词法检索认为“传统搜索过时了”。但实际工程里BM25 仍然是召回效果最稳定的基线尤其在垂直领域。BM25 本质是加权的词频匹配算法。它计算查询词与文档之间的相关分数核心变量包括词频 TF、逆文档频率 IDF、文档长度归一化等。查询语句里出现“接口报错 500 如何排查”BM25 会优先召回包含“接口”“报错”“500”“排查”这些词且词频满足条件的文档。为什么 RAG 里需要词法检索因为向量检索只保证“语义相关”不保证“字面精确”。用户输入一段带版本号的报错信息比如“FastJSON 1.2.24 漏洞”向量检索可能找到一堆 JSON 序列化的文章而 BM25 能准确命中包含 “1.2.24” 这个精确 token 的文档。代码变量名、订单号、设备型号、专利号、法条编号天生适合 BM25。常见实现有两种。一是用 Elasticsearch 做文档索引查询时走 match_query 或 multi_match依赖倒排索引实现候选召回。二是纯 Python 环境用 rank_bm25 库把文档提前分词查询时计算 BM25 分数。Elasticsearch 功能完整、适合生产级服务但部署依赖 JVM、内存占用高rank_bm25 轻量适合原型验证和小批量本地任务。下面是一个轻量 BM25 召回的示意代码# 示意代码rank_bm25 做词法检索 from rank_bm25 import BM25Okapi docs [ RAG 系统需要结合向量检索与词法检索, BM25 适合精确匹配场景, 向量检索适合语义召回场景, ] tokenized_docs [doc.split( ) for doc in docs] bm25 BM25Okapi(tokenized_docs) query 向量检索 召回 tokenized_query query.split( ) scores bm25.get_scores(tokenized_query) print(scores)BM25 的局限也很明显它对同义词、多语言说法、语义改写基本无能为力。用户问“怎么部署本地大模型”文档里写的是“私有化推理服务怎么搭”BM25 很难建立关联。这就引出了第二层检索。面试回答话术建议先承认 BM25 是召回基线然后补充“在真实 RAG 系统里我会保留词法检索作为一路召回而不是只用向量库”因为面试官想听到的是混合召回思维。4. 第二层检索向量检索与向量数据库的选型思路向量检索是 RAG 语义召回的核心。它把文档和查询分别映射到高维向量空间通过余弦相似度或内积分数做 TopK 召回核心价值在于“语义等价”也能匹配。流程分两步。第一步是选 Embedding 模型把文本变成向量第二步选向量数据库保存向量并提供近邻检索。Embedding 模型可以是 API 形式也可以是本地模型向量数据库可选 FAISS、Milvus、Qdrant、Chroma 等。向量检索不是越新越好。中文场景下常见选择是 BGE、M3E、text2vec 这类中文 Embedding 模型英文场景可用 OpenAI embedding、E5、Cohere 等。实际项目里Embedding 模型的选型要结合领域语料验证把一批“问题-文档片段”标注成 pair看召回K 指标。不要只看网上的 benchmark一定跑自己的数据。FAISS 适合单机、中等数据量、原型验证是 Meta 开源的向量检索库Milvus 和 Qdrant 是真正的服务化向量数据库适合多机、动态增删、生产环境部署。面试时如果能说清楚它们之间的差异会显得很有工程经验。下面是 FAISS 建立索引和检索的示意代码# 示意代码FAISS 建索引与检索 import faiss import numpy as np # 假设 embedding 维度为 768 dim 768 docs_embeddings np.random.rand(1000, dim).astype(float32) # 内积索引适合归一化后的向量做余弦相似度检索 index faiss.IndexFlatIP(dim) index.add(docs_embeddings) query_embedding np.random.rand(1, dim).astype(float32) scores, indices index.search(query_embedding, k10) print(scores:, scores) print(indices:, indices)向量检索的问题也不小。长文档被切块后可能丢失全局语义查询短、文档长直接相似度匹配会稀释主题领域术语首字母缩写、多义词容易召回大量不相关结果。向量索引的更新、删除、并发写入也需要额外处理。面试回答时可以主动把两层检索并列起来引出“BM25 保证精确向量召回保证语义两者做多路召回再由第三层融合排序”。这句话本身就是面试加分项。5. 第三层检索多路召回、RRF 融合与 Rerank 重排第三层不是单独的一种召回方式而是“融合 重排”。单路召回即使再强也难免出现漏召回或误召回多路召回能补足不同信号融合排序负责稳定地输出最终 TopN 候选。常见融合方案是 RRFReciprocal Rank Fusion。它不依赖不同召回路的分数分布只利用名次信息思路是把每路召回的排名换算成倒数分再相加。这样即使 BM25 的分数范围和余弦相似度分数完全不一致也能合在一起排序。RRF 公式和排重很直观# 示意代码RRF 融合两路召回结果 from collections import defaultdict def rrf_fuse(ranked_lists, k60): scores defaultdict(float) for ranked in ranked_lists: for rank, doc_id in enumerate(ranked): scores[doc_id] 1.0 / (k rank 1) fused sorted(scores.items(), keylambda x: x[1], reverseTrue) return fused # 两路召回结果doc_id 分别来自 BM25 和向量检索 bm25_result [doc_1, doc_3, doc_5] vector_result [doc_2, doc_1, doc_4] print(rrf_fuse([bm25_result, vector_result]))RRF 简单、稳定、不依赖训练数据适合面试和项目冷启动。但它不能真正理解查询与文档的相关性因此生产中通常会再加一层 Rerank 模型。Rerank 模型如 BGE-Reranker、Cohere Rerank会对查询与每个候选文档拼接起来做深度编码输出相关分。计算量比向量相似度大很多所以只能对第一阶段的几十条候选做精排不能直接对全库计算。典型流水线是词法召回 100 向量召回 100 - RRF 或 Concatenate 到 100 - Rerank 到 10 - 送入大模型。这样既控制延迟又提升精度。多路召回、RRF、Rerank 这三步是系统级 RAG 与 demo 级 RAG 的分水岭。demo 级系统通常只有“向量库 TopK”系统级 RAG 会强调五条能力多信号召回、融合策略、Rerank 精排、相关性过滤、检索失败的路由降级。面试能讲到这个层级基本就拿到分了。进阶部分还可以提知识图谱 向量数据库混合检索ontology RAG即用实体关系图补足多跳查询Agentic RAG即让 Agent 决定先检索哪个知识源、要不要多轮追问、要不要二次检索。这些作为未来扩展提到即可不用展开成主体方案。6. RAG 切块策略决定检索上限的隐藏环节三层检索直接影响“怎么找”但更上游还有一个容易被忽视的环节切块策略。面试官如果问“你的候选文档是怎么组织的”指的就是切块。切块太大单块文本过长向量化时语义被稀释BM25 命中后也可能因为无关内容太多污染 Prompt切块太小又容易切断完整语义导致上下文缺失。切块大小不是固定值而是与 Embedding 模型的最大输入长度、文档结构、查询粒度强相关。比较实用的切块策略有四种。固定长度切块最简单按 token 或字符数切适合内容结构均匀的文章但容易切断标题、段落、代码块。结构切块更推荐。按 Markdown 标题、HTML 标签、PDF 章节标题切保留段落完整性。Markdown 文档先按#和##层级切再对超长段落继续细分能明显提升检索质量。语义切块近几年越来越常用。通过句向量计算相邻句子的相似度相似度低于阈值就切块尽量让一个块内部主题一致。成本是切块过程耗时变长。重叠切块是工程兜底方案让相邻块之间保留一定 token 重叠避免边界截断影响召回适合合同条款、代码、报告这类信息密度高的文档。切块之后建议记录元数据比如来源文件名、章节路径、页码、更新时间。检索结果返回时这些元数据既是给大模型的上下文来源也是后续权限过滤和审计的依据。面试回答切块问题时可以给一个更专业的说法“我会先用结构切块保证语义完整再用窗口重叠解决截断问题同时把 chunk 大小作为线上 A/B 实验的一维参数。”这就比单纯说“我切成 500 字”好很多。7. 本地部署实战llama.cpp Qwen2-7B FastAPI 搭建 RAG 服务讲完原理给出一条本地 RAG 搭建路线。热搜里常出现“基于 llama.cpp qwen2-7b fastapi 构建本地 rag 知识库问答系统”这是很典型的低成本落地方案下面给的是通用搭建思路具体命令需要按你所用的模型版本和目录结构调整。整体架构是FastAPI 提供 REST 接口文档处理模块负责解析和切块Embedding 模块负责向量化检索模块负责 BM25 与向量召回本地大模型负责生成回答。大模型推理用 llama.cpp 启动目的是让 7B 级模型在消费级显卡上也能跑起来。本地部署的环境准备清单项目建议操作系统Windows / Linux 均可Linux 更适合长时间服务Python3.9 或 3.10按依赖库要求选择推理框架llama.cpp 官方预编译包或源码编译模型文件Qwen2-7B 或同等级小模型的 GGUF 量化文件向量库原型用 FAISS生产可换 Milvus / Qdrant文档解析pypdf、markdown 解析器、docx 解析工具显存/内存以实际模型量化和上下文长度为准必须实测先启动本地大模型服务。llama.cpp 新版本自带 llama-server支持 OpenAI 兼容接口方便后续对接 FastAPI# 示意启动命令模型路径必须替换为实际路径 ./llama-server \ -m /path/to/qwen2-7b-instruct-q4_k_m.gguf \ --host 127.0.0.1 \ --port 8080 \ -c 4096启动后可以验证/v1/models接口是否返回模型列表。FastAPI 侧会把这个地址当作本地 LLM 的 base_url。接下来创建一个简单的 FastAPI 服务先用内存里的文档列表模拟知识库# main.py 示意 from fastapi import FastAPI from pydantic import BaseModel app FastAPI() class QueryRequest(BaseModel): question: str top_k: int 5 app.post(/query) def query(request: QueryRequest): # 实际项目中这里会调用检索 拼接 prompt 调用本地大模型 return { question: request.question, top_k: request.top_k, answer: 这是本地 RAG 接口返回的示例回答 }这只是最小骨架。真正的 RAG 接口还需要把检索结果、Prompt 构造、模型调用、来源引用都串起来。8. 接口 API 与批量任务设计RAG 系统对外暴露的接口通常分为三类文档入库接口、检索问答接口、索引管理接口。文档入库接口是批量任务的核心负责接收文档文件经过解析、切块、向量化之后写入索引。生产环境建议做成异步任务用户上传大量 PDF 时接口先返回任务 ID后台用队列任务执行避免长时间 HTTP 阻塞。# 示意代码批量入库接口设计 from fastapi import FastAPI, BackgroundTasks from typing import List app FastAPI() def process_document(file_path: str): # 解析文档 - 切块 - 向量化 - 写入索引 pass app.post(/ingest) async def ingest(file_paths: List[str], background_tasks: BackgroundTasks): task_id task_ str(len(file_paths)) for path in file_paths: background_tasks.add_task(process_document, path) return {task_id: task_id, status: processing}检索问答接口要返回的不只是答案还包括召回片段列表、来源文档、相关性分数。这样前端可以做来源引用后台可以做效果分析。# 示意代码检索问答接口返回值 { question: RAG 检索策略是什么, answer: RAG 检索策略通常包含词法检索、向量检索和重排融合三层。, sources: [ { doc_id: doc_001, content: RAG 检索策略包含多路召回与重排。, score: 0.87 } ] }批量任务设计需要注意几点。批量入库前先做文档去重和格式过滤每条任务要有状态字段支持失败重试向量化过程如果并发量大要控制好 Embedding 模型的并发数避免显存溢出。批量离线问答还需要支持输出文件比如把一批问题通过接口跑完后统一导出 CSV 或 Markdown 结果。接口服务本身要考虑访问范围。RAG 服务如果只在内网使用监听地址建议写成 127.0.0.1 或 0.0.0.0 加防火墙规则如果作为开放 API必须加 Token 鉴权、请求速率限制和日志审计。文档入库还需要做类型校验防止上传超大文件或恶意脚本。9. 资源占用与性能观察RAG 系统的资源占用分为两块大模型推理侧和检索侧。大模型推理侧是显存消耗主战场。7B 模型不同量化方式对显存需求差异很大4bit 量化通常比全精度占用低很多但具体数字和推理框架、KV Cache 长度、批处理大小强相关必须在本机实测确认。运行时主要通过nvidia-smi观察显存占用配合推理框架日志观察峰值显存。# 观察 GPU 显存占用 watch -n 1 nvidia-smi检索侧消耗主要集中在 Embedding 模型和向量索引。Embedding 模型在 CPU 上也能跑只是速度慢向量索引如果全部加载到内存文档量大了以后内存占用会明显上涨。FAISS 索引可以落盘查询前加载到内存Milvus 等向量数据库会独立管理资源更适合大规模文档。性能调优要对几个维度做实验切块大小、召回 TopK、Rerank 候选数、上下文窗口长度。这些维度相互制约TopK 太大会拉高 Rerank 延迟上下文太长会降低生成速度切块太大可能降低检索精度。建议固定一批评测问题集每次只调一个维度记录召回率、答案准确率和接口 P95 延迟。第一次部署也容易踩端口冲突、进程残留的问题。llama.cpp 服务、FastAPI、向量库各自占用端口启动前用netstat或lsof检查端口。如果接口超时先确认本地大模型是否还在正常工作再确认检索链路耗时逐段打日志定位。10. 常见问题与排查方法问题现象可能原因排查方式解决方案检索结果为空查询词与文档没有任何交集且语义向量离群检查 Embedding 是否成功生成打印召回分数同时保留 BM25 多路召回必要时降级返回默认内容召回结果泛泛而谈切块过大导致主题稀释打印召回片段看块内是否包含核心概念改小切块采用结构切块或语义切块向量召回全是无关结果Embedding 模型不匹配领域语料抽样一批领域问答做召回K 评测更换中文领域 Embedding 模型如 BGE 系列关键词精确匹配失败只用了向量检索检查当前索引是否包含词法索引增加 BM25 / ES 召回路径Rerank 后结果变差候选集太小或 Rerank 模型太弱对比 RRF 结果和 Rerank 结果增大第一轮 TopK或换更强的 Rerank 模型llama.cpp 启动报错模型路径错误、GPU 显存不足、缺少依赖库看启动日志中的显存提示和路径错误确认 GGUF 文件路径减小上下文窗口重新安装依赖FastAPI 接口超时向量库连接慢、LLM 推理慢、网络问题分步打印各环节耗时增加超时时间对慢任务走异步队列批量任务卡住单篇文档解析异常导致任务阻塞查看任务日志定位卡住的文档对单文档任务增加超时和失败重试机制引用来源错误召回片段与最终答案不对应检查 Prompt 是否让模型严格基于上下文回答要求模型只输出带来源的内容禁用知识库外知识显存不足导致服务崩溃模型过大、批处理数过高、上下文过长运行中观察显存曲线换更小的量化模型、减小并发、缩短上下文排查 RAG 系统时最容易犯的错是一上来就调 Prompt。顺序应该反过来先看召回片段对不对再看上下文是否被污染最后才调整 Prompt 和生成参数。召回不对Prompt 写得再好也没用。11. 最佳实践与合规建议RAG 系统落地先跑通最小链路再逐步加复杂度。第一步只做“单文档 向量检索 固定 TopK 问答”验证生成效果第二步加入 BM25 实现多路召回第三步加 RRF 和 Rerank第四步再上批量任务和异步队列。每一步都要有可量化的评测问题集避免凭感觉调参。工程上保留一套最小可运行配置非常重要。把模型路径、向量索引路径、切块参数、端口配置写成独立的 YAML 文件这样换机器或换模型时不需要改代码。输入文档、中间切块结果、最终输出结果分开目录管理便于排查和回溯。# config.yaml 示意 model: llm_url: http://127.0.0.1:8080/v1 llm_model: qwen2-7b-instruct embedding_model: bge-base-zh database: vector_store: faiss index_path: ./data/faiss.index top_k: 20 rerank_top_k: 5 chunk: chunk_size: 500 overlap: 50 strategy: structure server: host: 127.0.0.1 port: 8000批量任务要加日志和失败重试每次入库任务记录文档名、处理时间、成功与否、失败原因。接口服务要限制访问范围加上 Token 鉴权和请求频率控制。模型和 Embedding 模型的开源协议需要确认是否允许商用、是否需要保留版权声明都由具体项目文档决定不能默认所有开源模型都随便商用。涉及隐私、版权和个人数据时更要把合规放在第一位。本地 RAG 知识库如果包含他人文档、客户对话记录、内部商业资料未经授权不能用于对外服务或商业化项目。对外发布 Demo 前至少要做一次数据脱敏和授权审查。RAG 本身不会自动过滤个人信息库里的数据如果本身不合规检索出来的内容同样不合规。12. 面试回答套路三层检索这样说最后收敛回面试场景。面试官问“RAG 策略”可以直接按“三条腿走路”的主线回答。第一层是词法检索用 BM25 或 Elasticsearch 保证精确匹配解决编号、专有名词、代码变量的问题。第二层是向量检索用 Embedding 模型把文档和查询映射到同一语义空间靠 FAISS 或 Milvus 做 TopK 召回解决语义改写和同义表达问题。第三层是多路召回融合与重排用 RRF 把两路结果统一排序再用 Rerank 模型精排最终把最相关的候选交给大模型。回答时主动加一句“检索效果要评测不能只看单条 Case”然后提到召回率、命中率、Rerank 后准确率等指标。如果面试官追问切块就按“结构切块优先、重叠窗口兜底、参数 A/B 调优”回答。如果面试官追问本地部署就把 llama.cpp、Qwen2-7B、FastAPI 这条链路讲清楚强调先跑通最小链路再加批量任务。最容易踩的坑是只回答“向量库 大模型”两句话。这个回答把 RAG 的检索自由度完全丢掉了。把三层检索展开讲清楚再点出每一层的边界和组合方式面试官基本能确认你有系统级认知。就算项目没有落地完这个思路本身也足够拿分。
这次我们来看一个面试高频题RAG 策略。先给结论RAG 真正拉开差距的地方不在生成端而在检索端。很多人面试时只记得“文档切块 - 向量化 - 语义检索 - 拼 Prompt 给大模型”这套话术太薄面试官稍微追问一句“召回率低怎么办”“关键词检索和向量检索怎么结合”就容易卡壳。这篇文章把 RAG 检索拆成三层词法检索、向量检索、重排融合每层都会讲清楚原理、常见实现、面试可以怎么展开再给出一套本地可落地搭建的 RAG 知识库问答系统的完整思路涉及环境准备、部署流程、接口设计、批量任务和问题排查。文章适合正在准备大模型岗位面试的开发同学也适合要做本地知识库问答但又不想直接用别人封装好的平台的工程师。读完你会知道RAG 检索策略为什么是三条腿走路而不是一个向量库包打天下。1. RAG 检索策略核心能力速览维度说明第一层检索词法检索典型实现为 BM25、Elasticsearch、Lucene第二层检索向量检索典型实现为 Embedding FAISS / Milvus / Qdrant第三层检索混合融合与重排典型实现为 RRF 融合、Rerank 模型、上下文压缩项目形态知识库问答、企业文档检索、私有化 RAG 服务本地部署组合llama.cpp Qwen2-7B FastAPI 是常见低成本路线是否支持接口 API可以用 FastAPI / Flask 封装 /ingest 与 /query 接口是否支持批量任务可以批量导文档、批量建索引、批量离线问答显存与硬件门槛取决于选择的模型和量化方式7B 模型 4bit 量化通常有机会在消费级显卡运行具体以实测为准适合场景面试讲原理、本地知识库问答、私域文档检索、RAG 技术方案选型不适合场景实时性要求极高的在线搜索、对多模态强依赖的检索任务、无授权语料的商业化服务RAG 不是某一个算法而是一套检索流水线。面试官问“RAG 策略”时真正想听的是你知道哪些召回信号它们各自的边界在哪里你如何把它们组合成一套稳定的检索系统。2. 面试官想听什么RAG 策略的考察点与适用边界RAG 全称 Retrieval-Augmented Generation检索增强生成。核心思路是让大模型在生成回答前先从外部知识库检索相关片段再把片段拼进上下文从而减少幻觉、补充领域知识、支持私有化部署。面试官考察 RAG 策略通常不是要你背概念而是想看三个方面。第一点是“你会不会做质量诊断”。线上 RAG 问答效果差可能因为文档没切好、检索召回不够、排序不对、提示词没约束、模型上下文被无关片段污染。面试官常见追问如果用户问的问题在知识库里根本没有该怎么办如果检索到的片段互相矛盾怎么办第二点是“你能不能识别检索召回毛病的根源”。向量检索擅长语义相似但遇到专有编号、代码变量名、精确匹配的场景会输给 BM25。反过来BM25 无法跨语言匹配“汽车”和“vehicle”这种语义等价表达。只选一种一定会出现召回盲区。第三点是“你有没有工程落地经验”。面试官会问向量库怎么选、切块多大合适、接口接收什么参数、批量文档入库怎么处理、显存不够怎么降级。这些只有真正做过 RAG 实战才答得出来。适用边界也值得说。RAG 适合半结构化文档、FAQ、产品手册、内部制度、法律法规条文这类文本型知识不适合对实时性要求极高且每次搜索都必须重新抓取全量的场景也不适合大量图表、公式、手写扫描件等非文本内容——除非叠加 OCR 和版面解析模块。另外RAG 服务在公网开放接口时必须先解决鉴权、隐私、数据去重和合规问题。涉及版权文档、个人数据、敏感业务数据的知识库必须有合法授权这一点不仅是面试要提落地时更要落地到流程里。3. 第一层检索词法检索与 BM25 为什么丢不掉很多做 RAG 的新手会忽略词法检索认为“传统搜索过时了”。但实际工程里BM25 仍然是召回效果最稳定的基线尤其在垂直领域。BM25 本质是加权的词频匹配算法。它计算查询词与文档之间的相关分数核心变量包括词频 TF、逆文档频率 IDF、文档长度归一化等。查询语句里出现“接口报错 500 如何排查”BM25 会优先召回包含“接口”“报错”“500”“排查”这些词且词频满足条件的文档。为什么 RAG 里需要词法检索因为向量检索只保证“语义相关”不保证“字面精确”。用户输入一段带版本号的报错信息比如“FastJSON 1.2.24 漏洞”向量检索可能找到一堆 JSON 序列化的文章而 BM25 能准确命中包含 “1.2.24” 这个精确 token 的文档。代码变量名、订单号、设备型号、专利号、法条编号天生适合 BM25。常见实现有两种。一是用 Elasticsearch 做文档索引查询时走 match_query 或 multi_match依赖倒排索引实现候选召回。二是纯 Python 环境用 rank_bm25 库把文档提前分词查询时计算 BM25 分数。Elasticsearch 功能完整、适合生产级服务但部署依赖 JVM、内存占用高rank_bm25 轻量适合原型验证和小批量本地任务。下面是一个轻量 BM25 召回的示意代码# 示意代码rank_bm25 做词法检索 from rank_bm25 import BM25Okapi docs [ RAG 系统需要结合向量检索与词法检索, BM25 适合精确匹配场景, 向量检索适合语义召回场景, ] tokenized_docs [doc.split( ) for doc in docs] bm25 BM25Okapi(tokenized_docs) query 向量检索 召回 tokenized_query query.split( ) scores bm25.get_scores(tokenized_query) print(scores)BM25 的局限也很明显它对同义词、多语言说法、语义改写基本无能为力。用户问“怎么部署本地大模型”文档里写的是“私有化推理服务怎么搭”BM25 很难建立关联。这就引出了第二层检索。面试回答话术建议先承认 BM25 是召回基线然后补充“在真实 RAG 系统里我会保留词法检索作为一路召回而不是只用向量库”因为面试官想听到的是混合召回思维。4. 第二层检索向量检索与向量数据库的选型思路向量检索是 RAG 语义召回的核心。它把文档和查询分别映射到高维向量空间通过余弦相似度或内积分数做 TopK 召回核心价值在于“语义等价”也能匹配。流程分两步。第一步是选 Embedding 模型把文本变成向量第二步选向量数据库保存向量并提供近邻检索。Embedding 模型可以是 API 形式也可以是本地模型向量数据库可选 FAISS、Milvus、Qdrant、Chroma 等。向量检索不是越新越好。中文场景下常见选择是 BGE、M3E、text2vec 这类中文 Embedding 模型英文场景可用 OpenAI embedding、E5、Cohere 等。实际项目里Embedding 模型的选型要结合领域语料验证把一批“问题-文档片段”标注成 pair看召回K 指标。不要只看网上的 benchmark一定跑自己的数据。FAISS 适合单机、中等数据量、原型验证是 Meta 开源的向量检索库Milvus 和 Qdrant 是真正的服务化向量数据库适合多机、动态增删、生产环境部署。面试时如果能说清楚它们之间的差异会显得很有工程经验。下面是 FAISS 建立索引和检索的示意代码# 示意代码FAISS 建索引与检索 import faiss import numpy as np # 假设 embedding 维度为 768 dim 768 docs_embeddings np.random.rand(1000, dim).astype(float32) # 内积索引适合归一化后的向量做余弦相似度检索 index faiss.IndexFlatIP(dim) index.add(docs_embeddings) query_embedding np.random.rand(1, dim).astype(float32) scores, indices index.search(query_embedding, k10) print(scores:, scores) print(indices:, indices)向量检索的问题也不小。长文档被切块后可能丢失全局语义查询短、文档长直接相似度匹配会稀释主题领域术语首字母缩写、多义词容易召回大量不相关结果。向量索引的更新、删除、并发写入也需要额外处理。面试回答时可以主动把两层检索并列起来引出“BM25 保证精确向量召回保证语义两者做多路召回再由第三层融合排序”。这句话本身就是面试加分项。5. 第三层检索多路召回、RRF 融合与 Rerank 重排第三层不是单独的一种召回方式而是“融合 重排”。单路召回即使再强也难免出现漏召回或误召回多路召回能补足不同信号融合排序负责稳定地输出最终 TopN 候选。常见融合方案是 RRFReciprocal Rank Fusion。它不依赖不同召回路的分数分布只利用名次信息思路是把每路召回的排名换算成倒数分再相加。这样即使 BM25 的分数范围和余弦相似度分数完全不一致也能合在一起排序。RRF 公式和排重很直观# 示意代码RRF 融合两路召回结果 from collections import defaultdict def rrf_fuse(ranked_lists, k60): scores defaultdict(float) for ranked in ranked_lists: for rank, doc_id in enumerate(ranked): scores[doc_id] 1.0 / (k rank 1) fused sorted(scores.items(), keylambda x: x[1], reverseTrue) return fused # 两路召回结果doc_id 分别来自 BM25 和向量检索 bm25_result [doc_1, doc_3, doc_5] vector_result [doc_2, doc_1, doc_4] print(rrf_fuse([bm25_result, vector_result]))RRF 简单、稳定、不依赖训练数据适合面试和项目冷启动。但它不能真正理解查询与文档的相关性因此生产中通常会再加一层 Rerank 模型。Rerank 模型如 BGE-Reranker、Cohere Rerank会对查询与每个候选文档拼接起来做深度编码输出相关分。计算量比向量相似度大很多所以只能对第一阶段的几十条候选做精排不能直接对全库计算。典型流水线是词法召回 100 向量召回 100 - RRF 或 Concatenate 到 100 - Rerank 到 10 - 送入大模型。这样既控制延迟又提升精度。多路召回、RRF、Rerank 这三步是系统级 RAG 与 demo 级 RAG 的分水岭。demo 级系统通常只有“向量库 TopK”系统级 RAG 会强调五条能力多信号召回、融合策略、Rerank 精排、相关性过滤、检索失败的路由降级。面试能讲到这个层级基本就拿到分了。进阶部分还可以提知识图谱 向量数据库混合检索ontology RAG即用实体关系图补足多跳查询Agentic RAG即让 Agent 决定先检索哪个知识源、要不要多轮追问、要不要二次检索。这些作为未来扩展提到即可不用展开成主体方案。6. RAG 切块策略决定检索上限的隐藏环节三层检索直接影响“怎么找”但更上游还有一个容易被忽视的环节切块策略。面试官如果问“你的候选文档是怎么组织的”指的就是切块。切块太大单块文本过长向量化时语义被稀释BM25 命中后也可能因为无关内容太多污染 Prompt切块太小又容易切断完整语义导致上下文缺失。切块大小不是固定值而是与 Embedding 模型的最大输入长度、文档结构、查询粒度强相关。比较实用的切块策略有四种。固定长度切块最简单按 token 或字符数切适合内容结构均匀的文章但容易切断标题、段落、代码块。结构切块更推荐。按 Markdown 标题、HTML 标签、PDF 章节标题切保留段落完整性。Markdown 文档先按#和##层级切再对超长段落继续细分能明显提升检索质量。语义切块近几年越来越常用。通过句向量计算相邻句子的相似度相似度低于阈值就切块尽量让一个块内部主题一致。成本是切块过程耗时变长。重叠切块是工程兜底方案让相邻块之间保留一定 token 重叠避免边界截断影响召回适合合同条款、代码、报告这类信息密度高的文档。切块之后建议记录元数据比如来源文件名、章节路径、页码、更新时间。检索结果返回时这些元数据既是给大模型的上下文来源也是后续权限过滤和审计的依据。面试回答切块问题时可以给一个更专业的说法“我会先用结构切块保证语义完整再用窗口重叠解决截断问题同时把 chunk 大小作为线上 A/B 实验的一维参数。”这就比单纯说“我切成 500 字”好很多。7. 本地部署实战llama.cpp Qwen2-7B FastAPI 搭建 RAG 服务讲完原理给出一条本地 RAG 搭建路线。热搜里常出现“基于 llama.cpp qwen2-7b fastapi 构建本地 rag 知识库问答系统”这是很典型的低成本落地方案下面给的是通用搭建思路具体命令需要按你所用的模型版本和目录结构调整。整体架构是FastAPI 提供 REST 接口文档处理模块负责解析和切块Embedding 模块负责向量化检索模块负责 BM25 与向量召回本地大模型负责生成回答。大模型推理用 llama.cpp 启动目的是让 7B 级模型在消费级显卡上也能跑起来。本地部署的环境准备清单项目建议操作系统Windows / Linux 均可Linux 更适合长时间服务Python3.9 或 3.10按依赖库要求选择推理框架llama.cpp 官方预编译包或源码编译模型文件Qwen2-7B 或同等级小模型的 GGUF 量化文件向量库原型用 FAISS生产可换 Milvus / Qdrant文档解析pypdf、markdown 解析器、docx 解析工具显存/内存以实际模型量化和上下文长度为准必须实测先启动本地大模型服务。llama.cpp 新版本自带 llama-server支持 OpenAI 兼容接口方便后续对接 FastAPI# 示意启动命令模型路径必须替换为实际路径 ./llama-server \ -m /path/to/qwen2-7b-instruct-q4_k_m.gguf \ --host 127.0.0.1 \ --port 8080 \ -c 4096启动后可以验证/v1/models接口是否返回模型列表。FastAPI 侧会把这个地址当作本地 LLM 的 base_url。接下来创建一个简单的 FastAPI 服务先用内存里的文档列表模拟知识库# main.py 示意 from fastapi import FastAPI from pydantic import BaseModel app FastAPI() class QueryRequest(BaseModel): question: str top_k: int 5 app.post(/query) def query(request: QueryRequest): # 实际项目中这里会调用检索 拼接 prompt 调用本地大模型 return { question: request.question, top_k: request.top_k, answer: 这是本地 RAG 接口返回的示例回答 }这只是最小骨架。真正的 RAG 接口还需要把检索结果、Prompt 构造、模型调用、来源引用都串起来。8. 接口 API 与批量任务设计RAG 系统对外暴露的接口通常分为三类文档入库接口、检索问答接口、索引管理接口。文档入库接口是批量任务的核心负责接收文档文件经过解析、切块、向量化之后写入索引。生产环境建议做成异步任务用户上传大量 PDF 时接口先返回任务 ID后台用队列任务执行避免长时间 HTTP 阻塞。# 示意代码批量入库接口设计 from fastapi import FastAPI, BackgroundTasks from typing import List app FastAPI() def process_document(file_path: str): # 解析文档 - 切块 - 向量化 - 写入索引 pass app.post(/ingest) async def ingest(file_paths: List[str], background_tasks: BackgroundTasks): task_id task_ str(len(file_paths)) for path in file_paths: background_tasks.add_task(process_document, path) return {task_id: task_id, status: processing}检索问答接口要返回的不只是答案还包括召回片段列表、来源文档、相关性分数。这样前端可以做来源引用后台可以做效果分析。# 示意代码检索问答接口返回值 { question: RAG 检索策略是什么, answer: RAG 检索策略通常包含词法检索、向量检索和重排融合三层。, sources: [ { doc_id: doc_001, content: RAG 检索策略包含多路召回与重排。, score: 0.87 } ] }批量任务设计需要注意几点。批量入库前先做文档去重和格式过滤每条任务要有状态字段支持失败重试向量化过程如果并发量大要控制好 Embedding 模型的并发数避免显存溢出。批量离线问答还需要支持输出文件比如把一批问题通过接口跑完后统一导出 CSV 或 Markdown 结果。接口服务本身要考虑访问范围。RAG 服务如果只在内网使用监听地址建议写成 127.0.0.1 或 0.0.0.0 加防火墙规则如果作为开放 API必须加 Token 鉴权、请求速率限制和日志审计。文档入库还需要做类型校验防止上传超大文件或恶意脚本。9. 资源占用与性能观察RAG 系统的资源占用分为两块大模型推理侧和检索侧。大模型推理侧是显存消耗主战场。7B 模型不同量化方式对显存需求差异很大4bit 量化通常比全精度占用低很多但具体数字和推理框架、KV Cache 长度、批处理大小强相关必须在本机实测确认。运行时主要通过nvidia-smi观察显存占用配合推理框架日志观察峰值显存。# 观察 GPU 显存占用 watch -n 1 nvidia-smi检索侧消耗主要集中在 Embedding 模型和向量索引。Embedding 模型在 CPU 上也能跑只是速度慢向量索引如果全部加载到内存文档量大了以后内存占用会明显上涨。FAISS 索引可以落盘查询前加载到内存Milvus 等向量数据库会独立管理资源更适合大规模文档。性能调优要对几个维度做实验切块大小、召回 TopK、Rerank 候选数、上下文窗口长度。这些维度相互制约TopK 太大会拉高 Rerank 延迟上下文太长会降低生成速度切块太大可能降低检索精度。建议固定一批评测问题集每次只调一个维度记录召回率、答案准确率和接口 P95 延迟。第一次部署也容易踩端口冲突、进程残留的问题。llama.cpp 服务、FastAPI、向量库各自占用端口启动前用netstat或lsof检查端口。如果接口超时先确认本地大模型是否还在正常工作再确认检索链路耗时逐段打日志定位。10. 常见问题与排查方法问题现象可能原因排查方式解决方案检索结果为空查询词与文档没有任何交集且语义向量离群检查 Embedding 是否成功生成打印召回分数同时保留 BM25 多路召回必要时降级返回默认内容召回结果泛泛而谈切块过大导致主题稀释打印召回片段看块内是否包含核心概念改小切块采用结构切块或语义切块向量召回全是无关结果Embedding 模型不匹配领域语料抽样一批领域问答做召回K 评测更换中文领域 Embedding 模型如 BGE 系列关键词精确匹配失败只用了向量检索检查当前索引是否包含词法索引增加 BM25 / ES 召回路径Rerank 后结果变差候选集太小或 Rerank 模型太弱对比 RRF 结果和 Rerank 结果增大第一轮 TopK或换更强的 Rerank 模型llama.cpp 启动报错模型路径错误、GPU 显存不足、缺少依赖库看启动日志中的显存提示和路径错误确认 GGUF 文件路径减小上下文窗口重新安装依赖FastAPI 接口超时向量库连接慢、LLM 推理慢、网络问题分步打印各环节耗时增加超时时间对慢任务走异步队列批量任务卡住单篇文档解析异常导致任务阻塞查看任务日志定位卡住的文档对单文档任务增加超时和失败重试机制引用来源错误召回片段与最终答案不对应检查 Prompt 是否让模型严格基于上下文回答要求模型只输出带来源的内容禁用知识库外知识显存不足导致服务崩溃模型过大、批处理数过高、上下文过长运行中观察显存曲线换更小的量化模型、减小并发、缩短上下文排查 RAG 系统时最容易犯的错是一上来就调 Prompt。顺序应该反过来先看召回片段对不对再看上下文是否被污染最后才调整 Prompt 和生成参数。召回不对Prompt 写得再好也没用。11. 最佳实践与合规建议RAG 系统落地先跑通最小链路再逐步加复杂度。第一步只做“单文档 向量检索 固定 TopK 问答”验证生成效果第二步加入 BM25 实现多路召回第三步加 RRF 和 Rerank第四步再上批量任务和异步队列。每一步都要有可量化的评测问题集避免凭感觉调参。工程上保留一套最小可运行配置非常重要。把模型路径、向量索引路径、切块参数、端口配置写成独立的 YAML 文件这样换机器或换模型时不需要改代码。输入文档、中间切块结果、最终输出结果分开目录管理便于排查和回溯。# config.yaml 示意 model: llm_url: http://127.0.0.1:8080/v1 llm_model: qwen2-7b-instruct embedding_model: bge-base-zh database: vector_store: faiss index_path: ./data/faiss.index top_k: 20 rerank_top_k: 5 chunk: chunk_size: 500 overlap: 50 strategy: structure server: host: 127.0.0.1 port: 8000批量任务要加日志和失败重试每次入库任务记录文档名、处理时间、成功与否、失败原因。接口服务要限制访问范围加上 Token 鉴权和请求频率控制。模型和 Embedding 模型的开源协议需要确认是否允许商用、是否需要保留版权声明都由具体项目文档决定不能默认所有开源模型都随便商用。涉及隐私、版权和个人数据时更要把合规放在第一位。本地 RAG 知识库如果包含他人文档、客户对话记录、内部商业资料未经授权不能用于对外服务或商业化项目。对外发布 Demo 前至少要做一次数据脱敏和授权审查。RAG 本身不会自动过滤个人信息库里的数据如果本身不合规检索出来的内容同样不合规。12. 面试回答套路三层检索这样说最后收敛回面试场景。面试官问“RAG 策略”可以直接按“三条腿走路”的主线回答。第一层是词法检索用 BM25 或 Elasticsearch 保证精确匹配解决编号、专有名词、代码变量的问题。第二层是向量检索用 Embedding 模型把文档和查询映射到同一语义空间靠 FAISS 或 Milvus 做 TopK 召回解决语义改写和同义表达问题。第三层是多路召回融合与重排用 RRF 把两路结果统一排序再用 Rerank 模型精排最终把最相关的候选交给大模型。回答时主动加一句“检索效果要评测不能只看单条 Case”然后提到召回率、命中率、Rerank 后准确率等指标。如果面试官追问切块就按“结构切块优先、重叠窗口兜底、参数 A/B 调优”回答。如果面试官追问本地部署就把 llama.cpp、Qwen2-7B、FastAPI 这条链路讲清楚强调先跑通最小链路再加批量任务。最容易踩的坑是只回答“向量库 大模型”两句话。这个回答把 RAG 的检索自由度完全丢掉了。把三层检索展开讲清楚再点出每一层的边界和组合方式面试官基本能确认你有系统级认知。就算项目没有落地完这个思路本身也足够拿分。
